存在并列值时 pandas 的 sort_values() 排序是否具有确定性？

直接结论 #

当待排序列存在等值并列场景时，只要输入数据、sort_values() 调用参数不发生变化，多次执行 df.sort_values('foo') 是确定性操作，每次返回的结果完全一致。

核心概念区分 #

这里需要先区分两个易混淆的排序特性：

• 排序稳定性：指值相等的元素会保留它们在原数据中的相对顺序
• 排序确定性：指相同输入、相同调用参数下，输出结果固定，不会出现随机变化

pandas sort_values 行为说明 #

pandas 的 sort_values() 默认使用的排序算法为 quicksort（快速排序）：

• 快速排序本身是不稳定排序，所以等值元素的相对顺序不一定和原数据保持一致，这就是你已知的“不具备排序稳定性”的来源
• 但 pandas 实现的快速排序是确定性算法，没有引入随机逻辑，因此只要输入的 DataFrame 数据、排序字段、排序方向、NaN 处理策略等参数完全不变，每次排序后等值元素的顺序是固定的，不会出现多次调用结果不同的情况

你可以自行运行如下代码验证该特性：

import pandas as pd
import numpy as np

# 生成测试数据
np.random.seed(42)
df = pd.DataFrame(np.random.randint(1, 3, 5), columns=["foo"])

# 多次调用排序对比结果
res1 = df.sort_values('foo')
res2 = df.sort_values('foo')
res3 = df.sort_values('foo')

print(res1.equals(res2)) # 输出 True
print(res2.equals(res3)) # 输出 True

仅有的非确定性场景 #

只有当你主动调整如下内容时，才会导致排序结果发生变化：

• 修改了输入的 DataFrame 原始数据
• 调整了 sort_values() 的参数，比如更换排序算法、修改排序方向、修改 NaN 排序位置、开启 ignore_index 等

内容的提问来源于stack exchange，提问作者emilaz